Implementasi Social Network Analysis pada Penyebaran Country Branding “Wonderful Indonesia” | Setatama | Indonesian Journal on Computing (Indo-JC) 183 707 1 PB
OPEN ACCESS
Ind. Journal on Computing
Vol. 2, Issue. 2, Sept 2017. pp. 91-104
doi:10.21108/indojc.2017.22.183
ISSN 2460-9056
socj.telkomuniversity.ac.id/indojc
Implementasi Social Network Analysis dalam
Penyebaran Country Branding “Wonderful
Indonesia”
Mahdi Shiddieqy Setatama #1, Dodie Tricahyono, Ir. M.M., Ph.D *2
# Fakultas Ekonomi dan Bisnis, Telkom University
Jl. Telekomunikasi No. 1, Dayeuhkolot, Bandung, Indonesia
1
mahdisetatama@student.telkomuniversity.ac.id
*
Fakultas Ekonomi dan Bisnis, Telkom University
Jl. Telekomunikasi No. 1, Dayeuhkolot, Bandung, Indonesia
2
dodietricahyono@telkomuniversity.ac.id
Abstract
To achieve target of the growth of tourism industry in Indonesia, the Government together with
Ministry of Tourism continues to promote the promotion of "Wonderful Indonesia" and began to
explore online marketing through social networking platform. In order to evaluate the information
dissemination in marketing process, it is necessary to do the research to modelize the network that
disseminate country branding "Wonderful Indonesia" on the top platform social network site’s
such as Google Plus, Twitter and Facebook using social network analysis. In this research there
will be a visualization of the network model using undirected graph, the measurements of network
property attribute and centrality measurement to find out the most influential actor in the network.
Data in this research were collected form 1 until February 28, 2017. Based on the results the top
three platforms shows an interaction pattern that fragmented into the subs network (communities).
There are 37 communities in the Google Plus, 272 communities in Google Plus and 54
communities in Facebook. Twitter excels in six attributes so that the Twitter platform is
considered to have a better network interaction performance than Google Plus and Facebook
platforms. Based on the centrality measurements, Tri Rini Nuringtyas account on Google Plus,
SportourismID account on Twitter and PlanetTourIndonesia account on Facebook are the most
influential actors in the dissemination network and can be empowered by the Ministry of Tourism
of Republic Indonesia to improve the distribution of marketing campaigns and country branding
of "Wonderful Indonesia".
Keywords: SNA; undirected graph; country branding Wonderful Indonesia; Google Plus;
Twitter; Facebook;
Abstrak
Dalam upaya mencapai target pertumbuhan industri pariwisata dan meningkatkan jumlah
kedatangan wisatawan asing, Kementerian Pariwisata melakukan berbagi upaya yang salah
satunya adalah dengan merambah pemasaran online menggunakan situs jejaring sosial. Penelitian
ini dilakukan dengan tujuan untuk memodelkan, menganalisis dan mengevaluasi proses
penyebaran informasi mengenai country branding “Wonderful Indonesia” pada top platform situs
jejaring sosial Google Plus, Twitter dan Facebook dengan menggunakan pendekatan social
network analysis. Dalam penelitian ini akan dilakukan visualisasi jaringan dengan menggunakan
metode undirected graph, kemudian menghitung nilai properti jaringan dan mengukur nilai
centrality untuk mengidentifikasi aktor-aktor berpengaruh di dalam jaringan. Berdasarkan hasil
penelitian, diketahui pola interaksi penyebaran country branding “Wonderful Indonesia” pada
ketiga top platform menunjukan pola yang terpecah-pecah ke dalam sub-sub jaringan (komunitas).
Terdapat 37 komunitas pada platform Google Plus, 272 komunitas pada plaform Twitter dan 54
Received on Aug 2017. Accepted on Sept 2017
Mahdi Shiddieqy Setatama et.al.
Implementasi Social Network Analysis dalam...
92
komunitas pada plaform facebook. Kemudian Twitter unggul dalam enam atribut properti jaringan
sehingga dinilai memiliki performa penyebaran yang lebih baik dibanding dengan jaringan pada
platform Google Plus dan Facebook. Berdasarkan hasil hitung centrality maka diketahui akun Tri
Rini Nuringtyas pada platform Google Plus, akun SportourismID pada platform Twitter dan akun
PlaneTourIndonesia pada platform Facebook merupakan aktor-aktor yang paling berpengaruh dan
dapat diberdayakan oleh Kementerian Pariwisata Republik Indonesia untuk meningkatkan
penyebaran country branding dan kampanye pariwisata “Wonderful Indonesia”.
Keywords: SNA; undirected graph; country branding Wonderful Indonesia; Google
Plus; Twitter; Facebook;
I.
PENDAHULUAN
P
erkembangan sektor industri pariwisata menjadi fenomena sosial dan ekonomi yang menjadi ranah
kajian strategis bagi sebuah negara [1]. Sektor industri pariwisata memberikan kontribusi yang besar
untuk perkembangan ekonomi, pengurangan kemiskinan, penyerapan tenaga kerja dan berbagai
dampak positif lainnya pada sektor ekonomi, sosial, politik, dan budaya, sehingga Pemerintah Republik
Indonesia dan Kementerian Pariwisata Republik Indonesia menetapkan sektor pariwisata menjadi core
business ekonomi nasional dalam hal pendapatan ekspor, penciptaan lapangan kerja, pengembangan
perusahaan dan pembangunan infrastruktur daerah [2].
Di Indonesia sektor pariwisata berkontribusi kurang lebih sebesar 9,6 % dari total perekonomian pada
tahun 2015, angka tersebut masih berada di bawah angka kontribusi pada enam negara lain di ASEAN seperti
(Kamboja, Thailand, Laos, Vietnam, Malaysia, Filipina dan Singapura) [3]. Indeks daya saing pariwisata
Indonesia berdasarkan penilaian Travel and Tourism Competitiveness Index yang dikeluarkan oleh World
Economic Forum tahun 2017 berada pada peringkat 42 dunia, peringkat tersebut mengalami peningkatan dari
tahun-tahun sebelumnya, namun peringkat tersebut masih berada dibawah peringkat Thailand di peringkat 34,
Malaysia di peringkat 26 dan Singapura di peringkat 13 dunia [4].
Angka jumlah kedatangan wisatawan mancanegara ke Indonesia juga selalu menunjukan angka yang lebih
rendah dibandingkan dengan negara tetangga seperti Malaysia dan Singapura. Pada tahun 2015 angka
kedatangan wisatawan mancanegara di Indonesia hanya sebanyak 9,73 juta, sedangkan angka kedatangan di
singapura sebanyak 15,23 juta dan Malaysia sebanyak 25,7 juta [5]. Menyikapi hal tersebut Kementerian
Pariwisata Republik Indonesia terus menetapkan peningkatan target pertumbuhan sektor pariwisata di
Indonesia untuk tahun-tahun berikutnya sampai dengan tahun 2019 [6].
TABLE I
TARGET PENCAPAIAN SEKTOR PARIWISTA DI INDONESIA SAMPAI 2019 [6]
Proyeksi Penerimaantotal PDB (Rp.)
Kontribusi terhadap PDB (%)
Kontribusi terhadap PDB (Rp.)
Penerimaan Devisa (Rp. Triliun)
Penyerapan Tenaga Kerja (juta)
Indeks Daya Saing (WEF)
Kunjungan Wisatawan Mancanegara (Juta)
Perjalanan Wisatawan Nusantara (Juta)
2016
2017
2018
2019
12.406 T
11 %
11.364 T
172,8
11,7
n.a
12
260
13.395 T
13 %
1.741 T
182,0
12,4
40
15
265
14.462 T
14 %
2.024 T
223,0
12,7
n.a
17
270
15.615 T
15 %
2.342 T
275,0
13,0
30
20
275
Pihak Pemerintah bersama dengan Kementerian Pariwisata melakukan berbagai macam upaya untuk
mencapai target tersebut, dimana salah satu fokus utama yang dilakukan adalah melakukan pemasaran online
menggunakan platform jejaring sosial [7]. Hasil survei pada penggunaan situs jejaring sosial menunjukan
bahwa Facebook, Google Plus dan Twitter menjadi top platform yang paling banyak digunakan oleh
masyarakat Indonesia [8]. Selain itu hasil observasi terhadap jumlah followers dari akun official pemerintah
juga menunjukan bahwa jumlah followers paling banyak pada media sosial yang digunakan oleh Kementerian
Ind. Journal on Computing Vol. 2, Issue. 2, Sept 2017
93
dalam menyampaikan informasi kepariwisataan dan pengkomunikasian brand adalah platform jejaring sosial
Google Plus, Facebook dan Twitter.
Brand awareness adalah kondisi dimana sebuah brand atau merek dikenali oleh potential customer dan
secara tepat mengarah pada sebuah produk. Sebuah perusahaan atau kegiatan bisnis memiliki tujuan untuk
menempatkan brand yang mereka buat agar muncul paling atas pada benak konsumen. Penelitian terdahulu
dengan menggunakan pendekatan social network analysis dalam memetakan penyebaran informasi dan brand
awareness pada pelanggan, berhasil memodelkan dan memetakan sampai pada level interaksi paling kecil
yakni interaksi yang terjadi pada dua orang aktor di dalam jaringan sehingga mampu mengidentfiikasi aktoraktor yang dinilai memiliki jumlah interaksi yang sangat tinggi dalam penyebaran informasi di dalam
jaringan. Dengan mengetahui bagaimana interaksi pasar dalam penyebaran informasi maka sebuah
perusahaan dapat menghemat waktu dan biaya dengan memanfaatkan interaksi natural para pengguna situs
jejaring sosial dalam menyebarkan informasi [9].
Dengan menggunakan social network analysis maka penelitian ini dilakukan dengan tujuan untuk
melakukan evaluasi dengan memodelkan penyebaran informasi yang terjadi pada tiga platform jejaring sosial
teratas yakni Google Plus, Twitter dan Facebook dengan memvisualisasikan jaringan menggunakan metode
undirected network, kemudian mengidentifikasi aktor yang berpengaruh yang memiliki jumlah interaksi yang
tinggi di dalam jaringan dengan menghitung nilai centrality node (degree, betweeness, closeness dan
eigenvector centrality) [10] dan memberikan rekomendasi-rekomendasi bagi pihak Kementerian Pariwisata
Republik Indonesia dalam menentukan langkah komunikasi pemasaran branding kepariwisataan di kemudian
hari.
II. TINJAUAN PUSTAKA
A. Komunikasi Pemasaran
Komunikasi pemasaran didefinisikan sebagai sebuah sarana dimana perusahaan berusaha untuk
menginformasikan, membujuk dan mengingatkan konsumen baik secara langsung maupun tidak langsung
mengenai sebuah produk dan merek yang dijual oleh perusahaan. Komunikasi pemasaran
merepresentasikan suara perusahaan mengenai merek yang dikeluarkan oleh perusahaan tersebut dan
sebagai sarana dalam membangun dialog dan hubungan dengan pelanggan [11]. Di dalam proses
komunikasi melibatkan sembilan elemen, dimana sembilan elemen tersebut adalah pengirim (sender),
penyandian / encoding, pesan (message), media, pengartian (decoding), penerima (receiver) respon
(response), umpan-balik (feedback) dan gangguan (noise) [12].
B. Integerated Marketing Communication
Integerated Marketing Communication merupakan penggunaan semua sumber hubungan atau kontak
merek perusahaan sebagai jalur penyampai pesan yang potensial dan memiliki ciri utama yaitu berawal
dari pelanggan atau calon pelanggan dan bukan dari komunikator merek (yang ditujukan untuk
menentukan metode yang paling tepat dan efektif dalam mengembangkan program komunikasi yang
persuasif) [13]. penggunaan IMC mengharuskan terjadinya perubahan yang fundamental dalam cara-cara
komunikasi pemasaran tradisional yang selama ini dilakukan. Berikut adalah perubahan-perubahan yang
diharapkan dari penerapan intergerated communication marketing :
1) Mengurangi ketergantungan pada iklan di media massa.
2) Meningkatkan kepercayaan pada merode komunikasi yang highly-targeted.
3) Tingkat permintaan yang lebih tinggi akan supplier komunikasi.
4) Berbagai upaya untuk mengukut pengembalian modal (return on investment) dalam komunikasi.
C. Kampanye Pemasaran
Kampanye pemasaran atau periklanan adalah seperangkat kegiatan periklanan yang terkoordinasi yang
mengkomunikasikan sebuah tema yang terelasi dan teritegerasi mengenai sebuah brand atau merek [14].
Lebih lanjut kampanye pemasaran didefinisikan sebagai “ a set of interrelated and coordinated marketing
communication activities that center on a single theme or idea that appears in different media across a
specified time period ” [15]. Sehingga dapat disimpulkan bahwa kampanye pemasaran merupakan sebuah
Mahdi Shiddieqy Setatama et.al.
Implementasi Social Network Analysis dalam...
94
set kegiatan komunikasi pemasaran yang terintegrasi pada sebuah tema pemasaran yang dilakukan pada
sebuah periode waktu tertentu.
Pengkomunikasian sebuah brand biasanya dilakukan dalam serangkaian kegiatan komunikasi
pemasaran yang terelasi dari sebuah perusahaan. Definisi dari brand adalah merek didefinisikan sebagai
nama, istilah, tanda, lambang, atau desain yang dimaksudkan untuk mengidentifikasikan barang atau jasa
dari salah satu penjual atau kelompok penjual dan mebedakan mereka dari pesaingnya. Merek adalah
produk atau jasa yang dimensinya mendiferensiasikan merek tersebut dengan beberapa cara dari produk
atau jasa lainnya yang dirancang untuk memuaskan kebutuhan yang sama [11].
Kemudian terdapat beberapa peran dari sebuah merek, peran-peran tersebut sebagai berikut :
1) Merek mengidentifikasi sumber atau pembuat produk dan memungkinkan konsumen untuk
menuntut tanggung jawab atas kinerjanya kepada pabrikan atau distributor tertentu.
2) Merek juga melaksanakan fungsi yang berharga bagi perusahaan, yaitu pertama merek
menyederhanakan penanganan atau penelusuran produk. Merek membantu mengatur catatan
persediaan dan catatan akuntansi. Merek juga menawarkan perlindungan hukum.
3) Merek menandakan tingkat kualitas tertentu sehingga pembeli yang puas dengan mudah memilih
produk kembali.
D. Social Network Analysis
Penelitian menggunakan SNA (Social Network Analysis) sebenarnya sudah dilakukan sejak lama untuk
menggambarkan atau memetakan sebuah jaringan sosial di masyarakat jauh sebelum era media sosial
seperti Twitter, Facebook dan situs jejaring lainnya. Interaksi yang terjadi di dalam proses penyebaran
country branding “Wonderful Indonesia” pada situs jejaring sosial membentuk sebuah jaringan
penyebaran informasi yang kemudian jika divisualisasikan dan dianalisis maka akan dapat menghasilkan
sebuah informasi yang berguna bagi perbaikan proses penyebaran informasi oleh pemerintah. Social
network analysis sendiri adalah suatu ilmu yang mempelajari hubungan antar satu unit entitas dengan unit
entitas lainnya dengan bantuan teori graf [16]. Metode dan teknik SNA dipilih karena metode ini dapat
memberikan gambaran atau visualisasi sampai pada hubungan terkecil yang terjadi hanya pada satu
individu dengan satu individu lainnya di dalam jaringan, metode SNA ini juga dapat digunakan untuk
menemukan node, communities, dan informal hierarchies yang mmiliki pengaruh paling besar di dalam
jaringan [17].
Ada beberapa konsep di dalam pendekatan social network analysis, selain meggambarkan pola yang
terbentuk dari hubungan antar node atau aktor, SNA lebih sering digunakan untuk menentukan node
sentral di dalam sebuah network¸dengan menghitung beberapa nilai centrality diantaranya yang umum
dihitung adalah :
a. Degree centrality menghitung jumlah interaksi yang dimiliki oleh sebuah node. Untuk menghitung
nilai degree centrality dari node ni dapat dilakukan dengan menggunakan rumus sebagai berikut :
C (n ) = d(n )
D i
i
(1)
Keterangan :
d(ni) = banyaknya interaksi yang diiliki oleh node ni dengan node lain di dalam network.
b. Betwenness centrality menghitung seberapa sering sebuah node dilewati oleh node lain untuk menuju
ke sebuah node tertentu di dalam jaringan. Nilai ini berfungsi untuk menentukan peran aktor yang
menjadi jembatan penghubung interaksi di dalam network. Untuk menghitung nilai degree centrality
dari sebuah node dapat dilakukan dengan menggunakan rumus sebagai berikut
CB(ni) = Σgjk (ni)/gjk
(2)
Keterangan :
gjk (ni) = jumlah jalur terpendek dari node j ke node k yang melewati node i.
gjk
= banyaknya jalur terpendek antara 2 buah node dalam network
c. Closeness centrality menghitung jarak rata-rata antara suatu node dengan seluruh node lain di dalam
jaringan atau dalam kata lain mengukur kedekatan sebuah node dengan node lain.cDalam sebuah
jaringan dengan g node, closeness centrality dari node ni adalah sebagai berikut:
Ind. Journal on Computing Vol. 2, Issue. 2, Sept 2017
CC(ni) = [N-1 / Σ d(ni, nj)]
95
(3)
Keterangan :
N = jumlah node di dalam jaringan
d(ni,nj) = jumlah jalur terpendek yang menghubungkan node ni dan nj
d. Eigenvector centrality melakukan pengukuran yang memberikan bobot lebih tinggi pada node yang
terhubung dengan node lain yang juga memiliki nilai centrality tinggi. Untuk menghitung nilai
eigenvector centrality dari sebuah node dapat dilakukan dengan menggunakan rumus sebagai berikut
Ci (β) = Σ(α + βcj) Aji
C (β) = α (I-βA)-1A1
(4)
Keterangan :
α = konstanta normalisasi (skala vektor).
β = melambangkan seberapa banyak suatu node mempunyai bobot centrality dalam node yang juga
memiliki nilai centrality yang tinggi.
Dimana A adalah adjacency matrix, I adalah identity matrix dan 1 adalah matrix. Besarnya β adalah
radius power dari suatu node. Jika β positif, maka mempunyai ikatan centrality yang tinggi dan
terhubung dengan orang-orang yang bersifat sentral. Sedangkan jika β negatif, maka mempunyai
ikatan centrality tinggi namun terhubung dengan orang-orang yang tidak central. Jika β=0, maka
akan didapat degree centrality.
III. METODOLOGI PENELITIAN
Penelitian ini menggunakan pendekatan social network analysis, dimana visualisasi jaringan dimodelkan
dengan menggunakan metode graph tipe undirected. Kemudian dilakukan penghitungan nilai atribut jaringan
yang terdiri dari total nodes, total edges, average degree, average weighted degree, average path length,
density, network diameter dan number of community dan dilakukan penghitungan nilai centrality yang terdiri
dari degree centrality, closeness centrality, betweeness centrality dan eigenvector centrality untuk
mengidentifikais aktor yang berpengaruh atau memilki nilai interaksi yang tinggi di dalam jaringan.
Data yang digunakan dalam penelitian ini merupakan data sekunder yang berupa seluruh unggahan user di
dalam platform yang memuat konten penyebaran country branding dengan keyword dan atau hashtag
“Wonderful Indonesia“dan minimal memiliki satu interaksi dengan user lain seperti like, retweet dan
mention). Pengambilan data pada platform Google Plus dan Facebook diambil dengan menggunakan teknik
data scrapping [19] menggunakan scrapper extention pada peramban Google Chome. Kemudian untuk
pengambilan data pada platform twitter teknik yang digunakan adalah teknik data crawling [20]
menggunakan software R Studio dengan mengakses application programming interface (API). Data
penelitian dikumpulkan selama satu bulan penuh dari tanggal 1 sampai dengan 28 Februari 2017.
Tahapan penelitian yang dilakukan dalam penelitian ini melalui beberapa tahap seperti yang digambarkan
pada gambar 1. Tahapan penelitian yang dilakukan dalam penelitian ini dijelaskan sebagai berikut :
1) Identifikasi masalah : Tahap ini adalah tahap dimana dilakukan pengidentifikasian masalah
penelitian. Proses pengidentifikasian masalah dilakukan dengan melakukan pengamatan terhadap
fenomena-fenomena yang melatarbelakangi penelitian.
2) Known User : Tahap ini adalah tahap menentukan objek penelitian. Objek penelitian adalah interaksi
yang dilakukan oleh akun-akun pengguna situs jejaring sosial Google Plus, Twitter dan Facebook
yang berinteraksi dalam konteks penyebaran country branding dan infromasi pariwisata Indonesia
yang mengandung kata kunci “Wonderful Indonesia”.
3) Software Data Extraction : Dalam tahap ini dilakukan proses ekstraksi atau pengumpulan data
dengan menggunakan metode data scrapping dengan menggunakan extention “Scrapper” pada
peramban Google Chrome dan data crawling menggunakan bantuan software R Studio. Data yang
diambil adalah data unggahan pengguna yang mengandung kata kunci “Wonderful Indonesia” dan
minimal memiliki satu buah interaksi yang terjadi antar dua aktor di dalam jaringan.
Mahdi Shiddieqy Setatama et.al.
Implementasi Social Network Analysis dalam...
Identifikasi Masalah
Pengolahan data
Known Users :
User Google Plus, Twitter
dan Facebook yang
memposting kata kunci
“Wonderful Indonesia”
Measures Network
96
Degree Centrality
Pola Jaringan
Betweenness Centrality
Pengumpulan Data :
Software Data Extraction
Rekomendasi
Closeness Centrality
Aktor Berpengaruh
Eigenvector Centrality
Data Preparation
Rank
Gambar 1. Tahapan Penelitian
4) Pengolahan Data dan Measures Networks : Tahap ini merupakan tahap pengolahan data interaksi
jaringan. Pola interaksi divisualisasikan dengan menggunakan metode graph dengan tipe undirected.
Setelah visualisasi pola jaringan interaksi didapatkan selanjutkan dilakukan penghitungan nilai
atribut jaringan yang menghitung delapan atribut yakni total nodes, total edges, average degree,
average weighted degree, average path length, density, network diameter dan number of community
5) Penghitungan Nilai Centrality : Pada tahap ini dilakukan penghitungan nilai centrality (degree
centrality, closeness centrality, betweeness centrality dan eigenvector centrality) node atau aktor
untuk mengidentifikasi aktor berpengaruh dengan jumlah interaksi yang tinggi.
6) Rank : Tahap ini adalah tahap mengurutkan peringkat nilai centrality aktor-aktor di dalam jaringan
yang telah dihitung.
7) Penarikan kesimpulan : Dalam tahapan ini dilakukan penarikan kesimpulan dan rekomendasi yang
dapat diberikan kepada pemerintah dalam meningkatkan program penyebaran country branding
“Wonderful Indonesia” melalui situs jejaring sosial.
Pengolahan data dalam penelitian ini dilakukan dengan menggunakan software Gephi versi 0.9.1.
Software Gephi adalah sebuah aplikasi yang bersifat open source untuk melakukan eksplorasi dan manipulasi
jaringan. Sebuah modul jaringan yang akan dikembangkan dapat diolah dengan diimpor, divisualisasikan,
dipetakan, difilter, dimanipulasi dan diekspor di dalam software Gephi tersebut. [21] proses pengolahan data
pada software tersebut dilakukan dengan langkah-langkah sebagai berikut :
1) Mengimport data set jaringan yang telah dibuat sebelumnya dengan menggunakan bantuan
spreadsheet pada Microsoft Excel. Data set yang dapat digunakan hanya lah data set dengan ektensi
.csv berbasis text. Dataset dipisah menjadi dua bagian pertama import data set nodes dan tahap kedua
import data set edges. (Dataset nodes berisi daftar nama aktor yang terdapat di dalam jaringan, dan
dataset edges berisi data relasi atau interaksi yang terjadi antar nodes di dalam jaringan.
2) Memilih algoritma visualisasi yang akan digunakan. Algoritma ini berfungsi untuk menentukan tata
letak node-node yang akan divisualisasikan di dalam sociogram. Selain itu pemilihan algoritma
tersebut juga berpengaruh terhadap bentuk visualisasi jaringan yang akan dihasilkan. Dalam
penelitian ini algoritma yang digunakan adalah algortima Fruchterman Reingold [20].
Ind. Journal on Computing Vol. 2, Issue. 2, Sept 2017
97
3) Mengatur konfigurasi algoritma dengan mengubah kolom atribut seperti area, gravity dan speed
yang tersedia pada properties windows sesuai dengan konfigurasi yang diinginkan, kemudian klik
tombol run.
4) Mempersonalisasi jaringan yang telah divisualisasikan. Dalam proses ini akan dilakukan pengaturan
terhdaap tampilan warna, bentuk, pemberian label pada node-node di dalam jaringan dan juga dapat
dilakukan pengaturan tebal tipis sebuah garis edges antar node dan pemberian nama pada edges
tersebut.
5) Menghitung nilai property jaringan. Dalam penelitian ini dilakukan penghitungan terhadap nilai
atribut properti jaringan berupa nilai Total Node, Total Edges, Average Degree, Average Weighted
Degree, Network Diameter, dan Number of Communities. Seluruh atribut tersebut dapat dihitung
dengan meng-klik satu per satu tombol dalam kolom setting pada statistic windows.
6) Menampilkan ranking dari node-node yang memiliki pengaruh atau nilai interaksi yang paling tinggi
di dalam jaringan. Langkah ini dapat dilakukan dengan dua cara, pertama dengan melihat langsung
pada windows data table, dan yang kedua adalah dengan melakukan konfigurasi tampilan dengan
mengubah size node atau label node dalam gambar visualisasi jaringan sesuai dengan urutan nilai
yang dimiliki oleh node-node tersebut (semakin besar nilai yang dimiliki node maka semakin besar
pula tampilan node tersebut di dalam gambar visualisasi jaringan). Cara yang kedua dapat dilakukan
dengan mengubah konfigurasi pada appereance window.
7) Mengeksport gambar visualisasi tersebut dengan ekstensi file .pdf, .png dan .svg. Hasil penghitungan
data juga dapat dieksport dengan mengakses menu pada data table window hasil olah data akan
berupa file dengan format ekstensi .csv.
IV. HASIL DAN PEMBAHASAN
Penelitian dilakukan dengan memvisualisasikan data interaksi jaringan penyebaran informasi country
branding “Wonderful Indonesia” pada situs jejaring sosial Google Plus, Twitter dan Facebook dengan
menggunakan software Gephi versi 0.9.1. Data divisualisasikan ke dalam sociogram dimana titik pada
gambar disebut ’node’ atau simpul merepresentasikan seorang individu yang dihubungkan oleh garis yang
disebut ’vertex’. Dua node yang terhubung dinyatakan dengan adanya garis yang menghubungkan keduanya.
Semakin tebal garis maka semakin banyak jumlah interkasi yang terjadi antara dua node tersebut. Visualisasi
jaringan dilakukan dengan menggunakan algoritma Fruchterman Reingold [20] dengan area sebesar 20.000
untuk platform Google Plus, 30.000 untuk platform Twitter dan 50.000 untuk platform Facebook. Atribut
Gravity sebesar 10.0 dan atribut speed sebesar 50.0. Perbedaan warna dalam setiap sub jaringan menunjukan
modularity class atau sub komunitas yang terbentuk.
Visualisasi pada gambar 2, 3 dan 4 terbentuk dari 3.029 aktor dengan jumlah interaksi sebanyak 3.368
interaksi pada platform Google Plus. Kemudian pada platform Twitter sebanyak 9.641 aktor dengan 12.209
interaksi. Dan pada platform Facebook sebanyak 5.771 aktor dan 5.842 interaksi. Dari visualisasi jaringan
interaksi diatas diketahui bahwa terdapat persamaan pada ketiga pola interaksi jaringan penyebaran country
branding “Wonderful Indonesia” pada platform Google Plus, Twitter dan Facebook dimana ketiganya
memiliki pola interaksi yang belum sepenuhnya terhubung dan masih terpecah-pecah ke dalam sub-sub
jaringan (komunitas). Terdapat 37 komunitas di dalam jaringan interaksi platform jejaring sosial Google Plus,
272 komunitas pada platform jejaring sosial Twitter dan 54 komunitas pada platform jejaring sosial Facebook.
Sub-sub komunitas di dalam jaringan tersebut terbentuk dengan seorang aktor pusat yang menjadi sumber
interaksi di dalam sub komunitas. Aktor pusat dalam komunitas terbesar pada platform Google Plus adalah
akun Tri Rini Nuringtyas.
Mahdi Shiddieqy Setatama et.al.
Implementasi Social Network Analysis dalam...
98
Gambar 2. Visualisasi pola interaksi jaringan penyebaran country branding “Wonderful Indonesia” pada
platform jejaring sosial Google Plus
3.
Kemudian aktor pusat pada komunitas terbesar pada platform Twitter pada gambar 3 adalah akun
SportourismID dan aktor pusat pada komunitas terbesar pada platform Facebook pada gambar 4 adalah akun
PlaneTourIndonesia. Untuk menyatukan pola interaksi yang masih terpecah-pecah atau dengan kata lain
menyatukan berbagai macam komunitas yang terbentuk tersebut pemerintah dapat menggunakan akun resmi
yang secara langsung dikelola oleh pemerintah untuk melakukan interaksi pada unggahan-unggahan user
yang menjadi pusat interaksi komunitas. Hal tersebut bertujuan untuk memudahkan pihak pemerintah dalam
mengumpulkan, memantau dan melakukan kontrol terhadap aktifitas interaksi user pada unggahan yang
memuat penyebaran country branding “Wonderful Indonesia”. Pengidentifikasian aktor pusat tersebut dapat
berguna untuk mengetahui secara real aktor-aktor mana yang dapat dimanfaatkan sebagai agen penyalur
informasi bagi pihak Kementerian Pariwisata dalam menyebarkan informasi terkait branding “Wonderful
Indonesia” dan promosi kepariwisataan lainnya yang dilakukan.
Ind. Journal on Computing Vol. 2, Issue. 2, Sept 2017
99
Gambar 3. Visualisasi pola interaksi jaringan penyebaran country branding “Wonderful Indonesia” pada
platform jejaring sosial Twitter
Mahdi Shiddieqy Setatama et.al.
Implementasi Social Network Analysis dalam...
100
Gambar 3. Visualisasi pola interaksi jaringan penyebaran country branding “Wonderful Indonesia” pada
platform jejaring sosial Facebook
Dengan menggunakan software Gephi versi 0.9.1 dilakukan pengukuran nilai atribut jaringan dimana
diperoleh hasil pada tabel II. Pada tabel II, dapat diketahui bahwa dari delapan atribut yang dibandingkan
Twitter unggul dalam enam atribut jaringan yakni jumlah node, jumlah edges, average degree, average
weighted degree, network diameter dan number of communities, sedangkan Google Plus unggul pada atribut
density dan Facebook unggul dalam atribut average path length. Sehingga dapat dikatakan platform Twitter
memiliki performa penyebaran informasi country branding “Wonderful Indonesia” yang paling baik dengan
jumlah interaksi penyebaran informasi yang jauh lebih banyak jika dibandingkan dengan platform Google
Plus dan Facebook. Pemerintah dapat menggunakan platform Twitter untuk meningkatkan jumlah interaksi
penyebaran informasi country branding “Wonderful Indonesia” dengan lebih cepat.
Ind. Journal on Computing Vol. 2, Issue. 2, Sept 2017
101
TABLE II
PERBANDNGAN NILAI ATRIBUT JARINGAN
Atribut Jaringan
Total Node
Total Edges
Average Degree
Average Weighted Degree
Network Diameter
Average Path Length
Density
Number of Communities
Google Plus
3.024 node
3.368 edges
2,019
2,221
7
2,188 node
0,00118
37
Twitter
9.641 node
12.209 edges
2,065
2,533
14
5,352 node
0,000328
272
Facebook
5.771 node
5.842 edges
1,990
2,025
6
2,141 node
0,000684
54
Kementerian Pariwisata juga dapat meningkatkan upaya penyebaran informasi coutry branding pada
platform jejaring sosial yang dinilai masih memiliki performa yang kurang dengan memberdayakan aktoraktor yang berpengaruh di dalam jaringan interaksi yang terbentuk. Pengidentifikasian aktor-aktor
berpengaruh tersebut dilakukan dengan menghitung nilai centrality dari node-node yang ada di dalam
jaringan interaksi.
TABLE III
NILAI CENTRALITY AKTOR BERPENGARUH PADA JARINGAN INTERAKSI PLATFORM GOOGLE PLUS
Node
tririninuringtyas
Indonesia.Travel
AnaAbadS
SeanMichaelJones
Suzanne
AlexAvedessian
KAI121
Degree
Centrality
Score / (Rank)
950 / (1)
801 / (2)
393 / (3)
356 / (4)
112 / (5)
86 / (6)
61 / (7)
Betweenees
Centrality
Score / (Rank)
448878 / (1)
428445,5 / (2)
77028 / (3)
63190 / (4)
46184,8 / (18)
25532,7 / (10)
24408 / (5)
Closeness
Centrality
Score
1.0
1.0
1.0
1.0
1.0
1.0
1.0
Eigenvector
Centrality
Score / (Rank)
1 / (1)
0,7 / (2)
0,2 / (3)
0,2 / (4)
0,05 / (5)
0,04 / (8)
0,03 / (960)
Hasil hitung nilai degree centrality, betweeness centrality, closeness centrality dan eigenvector centrality
pada software Gephi 0.9.1 maka diketahui bahwa pada platform Google Plus aktor Tri Rini Nuringtyas
unggul pada seluruh nilai centrality tersebut, sehingga dapat dikatakan bahwa aktor Tri Rini Nuringtyas
merupakan aktor yang paling berpengaruh dalam jaringan interaksi Google Plus. Pihak Kementerian
Pariwisata dapat memberdayakan aktor Tri Rini Nuringtyas tersebut sebagai aktor utama dalam penyebaran
country branding “Wonderful Indonesia” pada platform Google Plus.
Tidak hanya Tri Rini Nuringtyas saja, akun resmi milik Kementerian Pariwisata yaitu akun
Indonesia.Travel juga sudah memiliki peran dan pengaruh yang cukup baik dalam interaksi jejaring sosial,
namun pihak Kementerian Pariwisata dapat lebih meningkatkan penyebaran country branding “Wonderful
Indonesia” dengan memberdayakan akun-akun pendukung seperti akun Ana Abad S, Sean Michael Jones,
KAI121, Suzanne dan AlexAvedessian sebagai aktor-aktor penyebar country branding “Wonderful
Indonesia” karena akun-akun tersebut memiliki posisi sentral dan perbengaruh pada interaksi jaringan sosial
pada platform Google Plus.
Satu keunggulan pada jaringan interaksi pada platform Google Plus adalah terdapat node-node atau aktor
yang berpengaruh dimana akun tersebut bukan merupakan akun warga negara Indonesia melainkan akun
warga negara asing sehingga jika hal tesebut dapat dimanfaatkan dengan baik maka akun-akun tersebut dapat
menyebarkan country branding “Wonderful Indonesia” dengan cakupan geografis yang lebih luas.
Mahdi Shiddieqy Setatama et.al.
Implementasi Social Network Analysis dalam...
102
TABLE IV
NILAI CENTRALITY AKTOR BERPENGARUH PADA JARINGAN INTERAKSI PLATFORM TWITTER
Node
SportourismID
indtravel
supermorgy
KAI121
imFred_
Kemenpar_RI
infolampungpro
Degree
Centrality
Score / (Rank)
1617 / (1)
1293 / (2)
1094 / (3)
886 / (4)
587 / (3)
375 / (2)
355 / (1)
Betweenees
Centrality
Score / (Rank)
11.578.217,5 / (1)
10.882.508,6 / (3)
8.262.884 / (5)
10.984.551,9 / (2)
4.501.359,0 / (10)
4.948.250 / (7)
62835.0 / (151)
Closeness
Centrality
Score
0.19510
0.27678
0.19534
0.29868
0.18781
0.23721
1.0
Eigenvector
Centrality
Score / (Rank)
1 / (1)
0,696195 / (2)
0,525143 / (3)
0,399715 / (4)
0,212141 / (5)
0,135885 / (6)
0,110504 / (7)
Untuk platform Twitter berdasarkan pada hasil hitung software Gephi 0.9.1 terhadap nilai degree
centrality, betweeness centrality, closeness centrality dan eigenvector centrality maka diketahui bahwa aktor
yang berpengaruh terhadap interaksi jejaring sosial adalah aktor SportourismID yang unggul pada nilai degree
centrality, betweeness centrality, dan eigenvector centrality serta aktor infolampungpro yang unggul pada
nilai closeness centrality. Akun SportourismID menjadi aktor paling berpengaruh dari total jumlah interaksi
yang dihasilkan, kemudian akun tersebut menjadi penghubung atau jembatan bagi interaksi aktor lain di
dalam jaringan dan unggul dalam hubungannya terhadap aktor berpengaruh lain di dalam jaringan. Akun
infolampungpro unggul dalam kedekatan dengan aktor lain yang ada disekitarnya, sehingga membuat aktor
tersebut dapat menyampaikan informasi kepada aktor lainnya dengan cepat. Aktor-aktor pendukung lain yang
juga memiliki pengaruh yang cukup besar di dalam interaksi jejaring sosial Twitter adalah akun indtravel,
supermorgy, KAI121, imFred_, Kemenpar_RI.
TABLE V
NILAI CENTRALITY AKTOR BERPENGARUH PADA JARINGAN INTERAKSI PLATFORM FACEBOOK
Node
PlanetTourIndonesia
ashleyyeeee
indonesiatravel
imranidris1
pendakicantikindonesia
Wonderful-Indonesia226249690852624
julius.mirah.3
Degree
Centrality
Score / (Rank)
3201 / (1)
615 / (2)
264 / (3)
240 / (4)
129 / (5)
Betweenees
Centrality
Score / (Rank)
5121600 / (1)
447299 / (2)
339662 / (3)
28680 / (8)
8001 / (11)
Closeness
Centrality
Score
1.0
1.0
1.0
1.0
1.0
Eigenvector
Centrality
Score / (Rank)
1.0 / (1)
0.11343 / (2)
0.04468 / (3)
0.04032 / (4)
0.02136 / (5)
106 / (6)
103215 / (5)
0,245207
0.01721 / (6)
76 / (7)
2850 / (12)
1.0
0,012237 /
(3708)
Untuk platform Facebook berdasarkan pada hasil penghitungan diketahui bahwa aktor yang berpengaruh
terhadap interaksi jejaring sosial adalah aktor PlanetTourIndonesia yang unggul pada nilai degree centrality,
betweeness centrality, dan eigenvector centrality. Akun PlanetTourIndonesia menjadi aktor paling
berpengaruh dalam interaksi jaringan sosial Facebook dari total jumlah interaksi yang dihasilkan, kemudian
menjadi penghubung atau jembatan bagi interaksi aktor lain di dalam jaringan, memiliki kedekatan dengan
aktor lain yang ada disekitarnya sehingga membuat penyampaian informasi lebih cepat dan unggul dalam
hubungan-nya terhadap aktor berpengaruh lain di dalam jaringan. Aktor-aktor pendukung lain yang juga
memiliki pengaruh yang cukup besar dalam interaksi jejaring sosial Facebook adalah akun ashleyyeeee,
indonesiatravel, imranidris1, pendakicantikindonesia, Wonderful-Indonesia-226249690852624 dan
Julius.mirah.3.
Ind. Journal on Computing Vol. 2, Issue. 2, Sept 2017
103
Hasil identifikasi akun-akun berpengaruh di dalam penelitian dapat digunakan oleh pemerintah untuk
meningkatkan jumlah interaksi penyebaran informasi pada platform Google Plus dan Facebook. Pemerintah
dapat memberdayakan akun-akun yang berpengaruh (akun-akun yang memiliki interaksi dengan akun lain
yang tinggi) dimana pemberdayaan dapat dilakukan dengan cara :
a. Menjalin kerjasama resmi dengan membuat perjanjian bersama para pemilik akun-akun yang
berpengaruh yang menjadikan mereka sebagai agen atau mitra dalam menyebarkan informasi
kepariwisataan khususnya penyebaran country branding “Wonderful Indonesia”.
b. Pemerintah dapat mengatur jumlah unggahan yang akan dibuat oleh akun-akun tersebut. Kemudian
pemerintah dapat mengatur waktu atau jadwal terbaik dalam membuat unggahan yang disesuaikan
dengan timeline yang sudah dibuat atau ditargetkan oleh pemerintah.
c. Pemerintah dapat mengatur isi atau konten unggahan akun-akun yang berpengaruh tersebut sesuai
dengan keyword yang sedang difokuskan dan menjadi prioritas dalam kegiatan promosi pemasaran.
d. Kedua poin sebelumnya dapat dilakukan sebagai upaya untuk memaksimalkan seacrh engine
optimalization dengan memaksimalkan jumlah unggahan dan waktu pengunggahan yang konstan
sehingga unggahan-unggahan tersebut dapat menjadi referensi bagi search engine untuk menampilkan
“Wonderful Indonesia” sebagai top search dalam pencarian yang dilakukan oleh calon wisatawan.
e. Perberdayaan terhadap akun-akun yang memiliki jumlah interaksi tinggi yang baik juga dapat menjadi
langkah awal bagi pemerintah untuk dapat membuat “Wonderful Indonesia” sebagai trending topic
dunia dan dapat menciptakan virality yang kemudian akan menjadi sukses paling tinggi dalam promosi
digital karena interaksi yang terbentuk akan secara alami bertambah berkali-kali lipat dan dimuat
dalam berbagai jenis media.
V. KESIMPULAN
Dari pembahasan hasil penelitian yang telah dilakukan, guna menjawab pertanyaan penelitian yang telah
dirumuskan diawal maka dapat disimpulkan beberapa simpulan penelitian sebagai berikut :
1) Pola interaksi penyebaran country branding “Wonderful Indonesia” pada ketiga platform Google Plus,
Twitter dan Facebook menunjukan pola interaksi yang belum sepenuhnya terhubung dan masih
terpecah-pecah ke dalam sub-sub jaringan (komunitas). Terdapat 37 komunitas di dalam jaringan
interaksi Google Plus, 272 komunitas pada platform jejaring sosial Google Plus dan 54 komunitas pada
platform jejaring sosial Facebook. Untuk menyatukan berbagai macam komunitas yang terbentuk
tersebut pemerintah dapat menggunakan akun resmi yang secara langsung dikelola oleh pemerintah
untuk melakukan interaksi pada unggahan-unggahan user yang menjadi pusat interaksi komunitas. Hal
tersebut bertujuan untuk memudahkan pihak pemerintah dalam mengumpulkan, memantau dan
melakukan kontrol terhadap aktifitas interaksi user pada unggahan yang memuat penyebaran country
branding “Wonderful Indonesia”.
2) Hasil perbandingan nilai properti jaringan menunjukan dari delapan atribut yang dibandingkan,
jaringan interaksi pada platform Twitter unggul dalam enam atribut yakni jumlah node, jumlah edges,
average degree, average weighted degree, network diameter dan number of communities, sedangkan
jaringan interaksi Google Plus unggul pada atribut density dan jaringan interaksi Facebook unggul
dalam atribut average path length. Dengan ini maka jaringan interaksi penyebaran pada platform
Twitter dinilai memiliki performa penyebaran informasi yang paling baik dengan jumlah interaksi
penyebaran informasi yang jauh lebih banyak jika dibandingkan dengan jaringan interaksi pada
Google Plus dan Facebook. Dengan ini maka pemerintah dapat menggunakan platform Twitter untuk
meningkatkan jumlah interaksi penyebaran informasi country branding “Wonderful Indonesia” dengan
lebih cepat. Adapun upaya perbaikan yang dapat dilakukan oleh pemerintah untuk manambah jumlah
interaksi penyebaran informasi pada platform Google Plus dan Facebook adalah, pemerintah dapat
memberdayakan akun-akun yang berpengaruh di dalam jaringan Google Plus dan Facebook untuk
lebih banyak membuat unggahan yang memuat konten penyebaran informasi country branding
“Wonderful Indonesia” sehinga jumlah interaksi penyebaran pada platform Google Plus dan Facebook
pun dapat bertambah.
3) Berdasarkan pada hasil hitung nilai degree centrality, betweeness centrality, closeness centrality dan
eigenvector centrality yang dilakukan, maka akun Tri Rini Nuringtyas pada platform Google Plus,
akun SportourismID platform Twitter dan akun PlanetTourIndonesia pada platform Facebook
Mahdi Shiddieqy Setatama et.al.
Implementasi Social Network Analysis dalam...
104
merupakan akun-akun yang paling berpengaruh terhadap berjalannya interaksi dalam jaringan interaksi
penyebaran country branding “Wonderful Indonesia”. Pihak Kementerian Pariwisata dapat
memberdayakan akun-akun tersebut untuk meningkatkan penyebaran country branding “Wonderful
Indonesia” dengan lebih maksimal. Pemberdayaan dapat dilakukan dengan menjadikan akun-akun
tersebut sebagai agen atau mitra penyebaran promosi country branding “Wonderful Indonesia”.
Pemerintah dapat menentukan seberapa banyak unggahan yang perlu diunggah oleh akun tersebut
untuk menciptakan interaksi di dalam jaringan, kemudian pemerintah dapat menentukan pemuatan
keyword apa saja di dalam unggahan yang dibuat untuk mengoptimalkan pengkomunikasian sebuah
informasi seperti sebuah nama destinasi, city brand, program promosi dan informasi-informasi
kepariwisataan lain yang sedang menjadi fokus atau prioritas pemerintah.
REFERENSI
[1] Bungin, Burhan. (2015). Komunikasi Pariwisata : Tourism Communication. Jakarta : Prenadamedia Group
[2] Kemenpar. (2017, April 17). Indonesia Sustainable Tourism Award (ISTA) - 2017. Retrieved April 2017, 18, from Website
Kementerian Pariwisata Republik Indonesia: http://kemenpar.go.id/asp/detil.asp?c=17&id=3574
[3] PDB Pariwisata 7 Negara di ASEAN Lebih Unggul Dibanding Indonesia. (2016, Oktober 5). Retrieved Maret 16, 2017, from
Databoks:
http://databoks.katadata.co.id/datapublish/2016/10/05/sumbangan-pariwisata-terhadap-pdb-indonesia-kalahdibanding-7-negara-asean-lainnya
[4] World Economic Forum. (2017, April 6). Travel & Tourism Competitiveness Report 2017, Ranking. Retrieved Agustus 1,
2017, from World Economic Forum: http://reports.weforum.org/travel-and-tourism-competitiveness-report-2017/ranking/
[5] Databoks. (Rabu, 23 November 2016). Indonesia, Posisi ke-4 Destinasi Pariwisata di Asia Tenggara. Retrieved Retrieved
March 12, 2017 from Databoks : http://databoks.katadata.co.id/datapublish/2016/11/23/indonesia-posisi-4-destinasipariwisata-asean
[6] Indonesia Investments. (2016, December 16). Industri Pariwisata Indonesia. Retrieved March 17, 2017, from
http://www.indonesia-investments.com/id/bisnis/industri-sektor/pariwisata/item6051
[7] Kemenpar. (2015, Desember 17). Rencana Strategis 2015 - 2019 Kementerian Pariwisata. Retrieved Retrieved March 17,
2017 from Website Kementerian Pariwisata Republik Indonesia: http://kemenpar.go.id/asp/detil.asp?c=14&id=3545
[8] Balea, J. (Ed.). (2016, January 28). Tech in Asia - Connecting Asia's startup ecosystem. Retrieved March 12, 2017, from
https://www.techinasia.com/indonesia-web-mobile-statistics-we-are-social
[9] Alamsyah, A., Putri, F., & Sharif, O. O. (2013). Social Network Modelling Approach for Brand Awareness. The 5th Indonesian
International Conference on Innovation, Entrepreneurship, and Small Business, 2-8.
[10] Cheliotis, D. G. (2010). Social Network Analysis (SNA). Singapore: National University of Singapore.
[11] Kotler, Philip dan Kevin Lane Keller. (2013). Marketing Management. Pearson Education Limited.
[12] Kotler, Phillip dan Armstrong, Gary. (2003). Prinsip-Prinsip Pemasaran edisi 12 Jilid 2. Jakarta : erlangga.
[13] Shimp, A. Terrance. (2003). Periklanan Promosi dan Aspek Tambahan Komunikasi Pemasaran Terpadu, Edisi ke-5 Jilid 1.
Jakarta : Erlangga.
[14] O'Guinn Thomas Clayton, (2015). Advertising & Integerated Brand Promotion. Stamford : Cengange Learning.
[15] Belch, George E. Dan Michael A. Belch.(2009).”Advertising and Promotion : An Integerated Marketing Communications
Perspective”.New York : McGraw-Hill/Irwin.
[16] Tsvetovat, M., & Kouznetsov, A. (2011). Social Network Analysis for Startup. California: O'Reilly Media.
[17] Bohn, A., Feinerer, I., Hornik, K., dan Mair, P. (2011). Content-Based Social Network Analysis of Mailing Lists. The R
Journal, 11-18.
[18] The Computer Advisor. Web site scraper the most effective tool for web data extraction, Retrieved October 28, 2017 from
:http://www.thecomputeradvisor.net/web-site-scraper-the-most-effective-tool-for-web-data-extraction/
[19] Chau, D. H., Pandit, S., Wang, S., & Faloutsos, C. (2007, May). Parallel crawling for online social networks. In Proceedings
of the 16th international conference on World Wide Web (pp. 1283-1284). ACM
[20] Fruchterman, T. M., & Reingold, E. M. (1991). Graph drawing by forceǦdirected placement. Software: Practice and
experience, 21(11), 1129-1164.[21] Bastian, M., Heymann, S., & Jacomy, M. (2009). Gephi: An Open Source Software for
Exploring and Manipulating Networks. Proceedings of the Third International ICWSM Conference (pp. 1-2). ICWSM
Conference.
Ind. Journal on Computing
Vol. 2, Issue. 2, Sept 2017. pp. 91-104
doi:10.21108/indojc.2017.22.183
ISSN 2460-9056
socj.telkomuniversity.ac.id/indojc
Implementasi Social Network Analysis dalam
Penyebaran Country Branding “Wonderful
Indonesia”
Mahdi Shiddieqy Setatama #1, Dodie Tricahyono, Ir. M.M., Ph.D *2
# Fakultas Ekonomi dan Bisnis, Telkom University
Jl. Telekomunikasi No. 1, Dayeuhkolot, Bandung, Indonesia
1
mahdisetatama@student.telkomuniversity.ac.id
*
Fakultas Ekonomi dan Bisnis, Telkom University
Jl. Telekomunikasi No. 1, Dayeuhkolot, Bandung, Indonesia
2
dodietricahyono@telkomuniversity.ac.id
Abstract
To achieve target of the growth of tourism industry in Indonesia, the Government together with
Ministry of Tourism continues to promote the promotion of "Wonderful Indonesia" and began to
explore online marketing through social networking platform. In order to evaluate the information
dissemination in marketing process, it is necessary to do the research to modelize the network that
disseminate country branding "Wonderful Indonesia" on the top platform social network site’s
such as Google Plus, Twitter and Facebook using social network analysis. In this research there
will be a visualization of the network model using undirected graph, the measurements of network
property attribute and centrality measurement to find out the most influential actor in the network.
Data in this research were collected form 1 until February 28, 2017. Based on the results the top
three platforms shows an interaction pattern that fragmented into the subs network (communities).
There are 37 communities in the Google Plus, 272 communities in Google Plus and 54
communities in Facebook. Twitter excels in six attributes so that the Twitter platform is
considered to have a better network interaction performance than Google Plus and Facebook
platforms. Based on the centrality measurements, Tri Rini Nuringtyas account on Google Plus,
SportourismID account on Twitter and PlanetTourIndonesia account on Facebook are the most
influential actors in the dissemination network and can be empowered by the Ministry of Tourism
of Republic Indonesia to improve the distribution of marketing campaigns and country branding
of "Wonderful Indonesia".
Keywords: SNA; undirected graph; country branding Wonderful Indonesia; Google Plus;
Twitter; Facebook;
Abstrak
Dalam upaya mencapai target pertumbuhan industri pariwisata dan meningkatkan jumlah
kedatangan wisatawan asing, Kementerian Pariwisata melakukan berbagi upaya yang salah
satunya adalah dengan merambah pemasaran online menggunakan situs jejaring sosial. Penelitian
ini dilakukan dengan tujuan untuk memodelkan, menganalisis dan mengevaluasi proses
penyebaran informasi mengenai country branding “Wonderful Indonesia” pada top platform situs
jejaring sosial Google Plus, Twitter dan Facebook dengan menggunakan pendekatan social
network analysis. Dalam penelitian ini akan dilakukan visualisasi jaringan dengan menggunakan
metode undirected graph, kemudian menghitung nilai properti jaringan dan mengukur nilai
centrality untuk mengidentifikasi aktor-aktor berpengaruh di dalam jaringan. Berdasarkan hasil
penelitian, diketahui pola interaksi penyebaran country branding “Wonderful Indonesia” pada
ketiga top platform menunjukan pola yang terpecah-pecah ke dalam sub-sub jaringan (komunitas).
Terdapat 37 komunitas pada platform Google Plus, 272 komunitas pada plaform Twitter dan 54
Received on Aug 2017. Accepted on Sept 2017
Mahdi Shiddieqy Setatama et.al.
Implementasi Social Network Analysis dalam...
92
komunitas pada plaform facebook. Kemudian Twitter unggul dalam enam atribut properti jaringan
sehingga dinilai memiliki performa penyebaran yang lebih baik dibanding dengan jaringan pada
platform Google Plus dan Facebook. Berdasarkan hasil hitung centrality maka diketahui akun Tri
Rini Nuringtyas pada platform Google Plus, akun SportourismID pada platform Twitter dan akun
PlaneTourIndonesia pada platform Facebook merupakan aktor-aktor yang paling berpengaruh dan
dapat diberdayakan oleh Kementerian Pariwisata Republik Indonesia untuk meningkatkan
penyebaran country branding dan kampanye pariwisata “Wonderful Indonesia”.
Keywords: SNA; undirected graph; country branding Wonderful Indonesia; Google
Plus; Twitter; Facebook;
I.
PENDAHULUAN
P
erkembangan sektor industri pariwisata menjadi fenomena sosial dan ekonomi yang menjadi ranah
kajian strategis bagi sebuah negara [1]. Sektor industri pariwisata memberikan kontribusi yang besar
untuk perkembangan ekonomi, pengurangan kemiskinan, penyerapan tenaga kerja dan berbagai
dampak positif lainnya pada sektor ekonomi, sosial, politik, dan budaya, sehingga Pemerintah Republik
Indonesia dan Kementerian Pariwisata Republik Indonesia menetapkan sektor pariwisata menjadi core
business ekonomi nasional dalam hal pendapatan ekspor, penciptaan lapangan kerja, pengembangan
perusahaan dan pembangunan infrastruktur daerah [2].
Di Indonesia sektor pariwisata berkontribusi kurang lebih sebesar 9,6 % dari total perekonomian pada
tahun 2015, angka tersebut masih berada di bawah angka kontribusi pada enam negara lain di ASEAN seperti
(Kamboja, Thailand, Laos, Vietnam, Malaysia, Filipina dan Singapura) [3]. Indeks daya saing pariwisata
Indonesia berdasarkan penilaian Travel and Tourism Competitiveness Index yang dikeluarkan oleh World
Economic Forum tahun 2017 berada pada peringkat 42 dunia, peringkat tersebut mengalami peningkatan dari
tahun-tahun sebelumnya, namun peringkat tersebut masih berada dibawah peringkat Thailand di peringkat 34,
Malaysia di peringkat 26 dan Singapura di peringkat 13 dunia [4].
Angka jumlah kedatangan wisatawan mancanegara ke Indonesia juga selalu menunjukan angka yang lebih
rendah dibandingkan dengan negara tetangga seperti Malaysia dan Singapura. Pada tahun 2015 angka
kedatangan wisatawan mancanegara di Indonesia hanya sebanyak 9,73 juta, sedangkan angka kedatangan di
singapura sebanyak 15,23 juta dan Malaysia sebanyak 25,7 juta [5]. Menyikapi hal tersebut Kementerian
Pariwisata Republik Indonesia terus menetapkan peningkatan target pertumbuhan sektor pariwisata di
Indonesia untuk tahun-tahun berikutnya sampai dengan tahun 2019 [6].
TABLE I
TARGET PENCAPAIAN SEKTOR PARIWISTA DI INDONESIA SAMPAI 2019 [6]
Proyeksi Penerimaantotal PDB (Rp.)
Kontribusi terhadap PDB (%)
Kontribusi terhadap PDB (Rp.)
Penerimaan Devisa (Rp. Triliun)
Penyerapan Tenaga Kerja (juta)
Indeks Daya Saing (WEF)
Kunjungan Wisatawan Mancanegara (Juta)
Perjalanan Wisatawan Nusantara (Juta)
2016
2017
2018
2019
12.406 T
11 %
11.364 T
172,8
11,7
n.a
12
260
13.395 T
13 %
1.741 T
182,0
12,4
40
15
265
14.462 T
14 %
2.024 T
223,0
12,7
n.a
17
270
15.615 T
15 %
2.342 T
275,0
13,0
30
20
275
Pihak Pemerintah bersama dengan Kementerian Pariwisata melakukan berbagai macam upaya untuk
mencapai target tersebut, dimana salah satu fokus utama yang dilakukan adalah melakukan pemasaran online
menggunakan platform jejaring sosial [7]. Hasil survei pada penggunaan situs jejaring sosial menunjukan
bahwa Facebook, Google Plus dan Twitter menjadi top platform yang paling banyak digunakan oleh
masyarakat Indonesia [8]. Selain itu hasil observasi terhadap jumlah followers dari akun official pemerintah
juga menunjukan bahwa jumlah followers paling banyak pada media sosial yang digunakan oleh Kementerian
Ind. Journal on Computing Vol. 2, Issue. 2, Sept 2017
93
dalam menyampaikan informasi kepariwisataan dan pengkomunikasian brand adalah platform jejaring sosial
Google Plus, Facebook dan Twitter.
Brand awareness adalah kondisi dimana sebuah brand atau merek dikenali oleh potential customer dan
secara tepat mengarah pada sebuah produk. Sebuah perusahaan atau kegiatan bisnis memiliki tujuan untuk
menempatkan brand yang mereka buat agar muncul paling atas pada benak konsumen. Penelitian terdahulu
dengan menggunakan pendekatan social network analysis dalam memetakan penyebaran informasi dan brand
awareness pada pelanggan, berhasil memodelkan dan memetakan sampai pada level interaksi paling kecil
yakni interaksi yang terjadi pada dua orang aktor di dalam jaringan sehingga mampu mengidentfiikasi aktoraktor yang dinilai memiliki jumlah interaksi yang sangat tinggi dalam penyebaran informasi di dalam
jaringan. Dengan mengetahui bagaimana interaksi pasar dalam penyebaran informasi maka sebuah
perusahaan dapat menghemat waktu dan biaya dengan memanfaatkan interaksi natural para pengguna situs
jejaring sosial dalam menyebarkan informasi [9].
Dengan menggunakan social network analysis maka penelitian ini dilakukan dengan tujuan untuk
melakukan evaluasi dengan memodelkan penyebaran informasi yang terjadi pada tiga platform jejaring sosial
teratas yakni Google Plus, Twitter dan Facebook dengan memvisualisasikan jaringan menggunakan metode
undirected network, kemudian mengidentifikasi aktor yang berpengaruh yang memiliki jumlah interaksi yang
tinggi di dalam jaringan dengan menghitung nilai centrality node (degree, betweeness, closeness dan
eigenvector centrality) [10] dan memberikan rekomendasi-rekomendasi bagi pihak Kementerian Pariwisata
Republik Indonesia dalam menentukan langkah komunikasi pemasaran branding kepariwisataan di kemudian
hari.
II. TINJAUAN PUSTAKA
A. Komunikasi Pemasaran
Komunikasi pemasaran didefinisikan sebagai sebuah sarana dimana perusahaan berusaha untuk
menginformasikan, membujuk dan mengingatkan konsumen baik secara langsung maupun tidak langsung
mengenai sebuah produk dan merek yang dijual oleh perusahaan. Komunikasi pemasaran
merepresentasikan suara perusahaan mengenai merek yang dikeluarkan oleh perusahaan tersebut dan
sebagai sarana dalam membangun dialog dan hubungan dengan pelanggan [11]. Di dalam proses
komunikasi melibatkan sembilan elemen, dimana sembilan elemen tersebut adalah pengirim (sender),
penyandian / encoding, pesan (message), media, pengartian (decoding), penerima (receiver) respon
(response), umpan-balik (feedback) dan gangguan (noise) [12].
B. Integerated Marketing Communication
Integerated Marketing Communication merupakan penggunaan semua sumber hubungan atau kontak
merek perusahaan sebagai jalur penyampai pesan yang potensial dan memiliki ciri utama yaitu berawal
dari pelanggan atau calon pelanggan dan bukan dari komunikator merek (yang ditujukan untuk
menentukan metode yang paling tepat dan efektif dalam mengembangkan program komunikasi yang
persuasif) [13]. penggunaan IMC mengharuskan terjadinya perubahan yang fundamental dalam cara-cara
komunikasi pemasaran tradisional yang selama ini dilakukan. Berikut adalah perubahan-perubahan yang
diharapkan dari penerapan intergerated communication marketing :
1) Mengurangi ketergantungan pada iklan di media massa.
2) Meningkatkan kepercayaan pada merode komunikasi yang highly-targeted.
3) Tingkat permintaan yang lebih tinggi akan supplier komunikasi.
4) Berbagai upaya untuk mengukut pengembalian modal (return on investment) dalam komunikasi.
C. Kampanye Pemasaran
Kampanye pemasaran atau periklanan adalah seperangkat kegiatan periklanan yang terkoordinasi yang
mengkomunikasikan sebuah tema yang terelasi dan teritegerasi mengenai sebuah brand atau merek [14].
Lebih lanjut kampanye pemasaran didefinisikan sebagai “ a set of interrelated and coordinated marketing
communication activities that center on a single theme or idea that appears in different media across a
specified time period ” [15]. Sehingga dapat disimpulkan bahwa kampanye pemasaran merupakan sebuah
Mahdi Shiddieqy Setatama et.al.
Implementasi Social Network Analysis dalam...
94
set kegiatan komunikasi pemasaran yang terintegrasi pada sebuah tema pemasaran yang dilakukan pada
sebuah periode waktu tertentu.
Pengkomunikasian sebuah brand biasanya dilakukan dalam serangkaian kegiatan komunikasi
pemasaran yang terelasi dari sebuah perusahaan. Definisi dari brand adalah merek didefinisikan sebagai
nama, istilah, tanda, lambang, atau desain yang dimaksudkan untuk mengidentifikasikan barang atau jasa
dari salah satu penjual atau kelompok penjual dan mebedakan mereka dari pesaingnya. Merek adalah
produk atau jasa yang dimensinya mendiferensiasikan merek tersebut dengan beberapa cara dari produk
atau jasa lainnya yang dirancang untuk memuaskan kebutuhan yang sama [11].
Kemudian terdapat beberapa peran dari sebuah merek, peran-peran tersebut sebagai berikut :
1) Merek mengidentifikasi sumber atau pembuat produk dan memungkinkan konsumen untuk
menuntut tanggung jawab atas kinerjanya kepada pabrikan atau distributor tertentu.
2) Merek juga melaksanakan fungsi yang berharga bagi perusahaan, yaitu pertama merek
menyederhanakan penanganan atau penelusuran produk. Merek membantu mengatur catatan
persediaan dan catatan akuntansi. Merek juga menawarkan perlindungan hukum.
3) Merek menandakan tingkat kualitas tertentu sehingga pembeli yang puas dengan mudah memilih
produk kembali.
D. Social Network Analysis
Penelitian menggunakan SNA (Social Network Analysis) sebenarnya sudah dilakukan sejak lama untuk
menggambarkan atau memetakan sebuah jaringan sosial di masyarakat jauh sebelum era media sosial
seperti Twitter, Facebook dan situs jejaring lainnya. Interaksi yang terjadi di dalam proses penyebaran
country branding “Wonderful Indonesia” pada situs jejaring sosial membentuk sebuah jaringan
penyebaran informasi yang kemudian jika divisualisasikan dan dianalisis maka akan dapat menghasilkan
sebuah informasi yang berguna bagi perbaikan proses penyebaran informasi oleh pemerintah. Social
network analysis sendiri adalah suatu ilmu yang mempelajari hubungan antar satu unit entitas dengan unit
entitas lainnya dengan bantuan teori graf [16]. Metode dan teknik SNA dipilih karena metode ini dapat
memberikan gambaran atau visualisasi sampai pada hubungan terkecil yang terjadi hanya pada satu
individu dengan satu individu lainnya di dalam jaringan, metode SNA ini juga dapat digunakan untuk
menemukan node, communities, dan informal hierarchies yang mmiliki pengaruh paling besar di dalam
jaringan [17].
Ada beberapa konsep di dalam pendekatan social network analysis, selain meggambarkan pola yang
terbentuk dari hubungan antar node atau aktor, SNA lebih sering digunakan untuk menentukan node
sentral di dalam sebuah network¸dengan menghitung beberapa nilai centrality diantaranya yang umum
dihitung adalah :
a. Degree centrality menghitung jumlah interaksi yang dimiliki oleh sebuah node. Untuk menghitung
nilai degree centrality dari node ni dapat dilakukan dengan menggunakan rumus sebagai berikut :
C (n ) = d(n )
D i
i
(1)
Keterangan :
d(ni) = banyaknya interaksi yang diiliki oleh node ni dengan node lain di dalam network.
b. Betwenness centrality menghitung seberapa sering sebuah node dilewati oleh node lain untuk menuju
ke sebuah node tertentu di dalam jaringan. Nilai ini berfungsi untuk menentukan peran aktor yang
menjadi jembatan penghubung interaksi di dalam network. Untuk menghitung nilai degree centrality
dari sebuah node dapat dilakukan dengan menggunakan rumus sebagai berikut
CB(ni) = Σgjk (ni)/gjk
(2)
Keterangan :
gjk (ni) = jumlah jalur terpendek dari node j ke node k yang melewati node i.
gjk
= banyaknya jalur terpendek antara 2 buah node dalam network
c. Closeness centrality menghitung jarak rata-rata antara suatu node dengan seluruh node lain di dalam
jaringan atau dalam kata lain mengukur kedekatan sebuah node dengan node lain.cDalam sebuah
jaringan dengan g node, closeness centrality dari node ni adalah sebagai berikut:
Ind. Journal on Computing Vol. 2, Issue. 2, Sept 2017
CC(ni) = [N-1 / Σ d(ni, nj)]
95
(3)
Keterangan :
N = jumlah node di dalam jaringan
d(ni,nj) = jumlah jalur terpendek yang menghubungkan node ni dan nj
d. Eigenvector centrality melakukan pengukuran yang memberikan bobot lebih tinggi pada node yang
terhubung dengan node lain yang juga memiliki nilai centrality tinggi. Untuk menghitung nilai
eigenvector centrality dari sebuah node dapat dilakukan dengan menggunakan rumus sebagai berikut
Ci (β) = Σ(α + βcj) Aji
C (β) = α (I-βA)-1A1
(4)
Keterangan :
α = konstanta normalisasi (skala vektor).
β = melambangkan seberapa banyak suatu node mempunyai bobot centrality dalam node yang juga
memiliki nilai centrality yang tinggi.
Dimana A adalah adjacency matrix, I adalah identity matrix dan 1 adalah matrix. Besarnya β adalah
radius power dari suatu node. Jika β positif, maka mempunyai ikatan centrality yang tinggi dan
terhubung dengan orang-orang yang bersifat sentral. Sedangkan jika β negatif, maka mempunyai
ikatan centrality tinggi namun terhubung dengan orang-orang yang tidak central. Jika β=0, maka
akan didapat degree centrality.
III. METODOLOGI PENELITIAN
Penelitian ini menggunakan pendekatan social network analysis, dimana visualisasi jaringan dimodelkan
dengan menggunakan metode graph tipe undirected. Kemudian dilakukan penghitungan nilai atribut jaringan
yang terdiri dari total nodes, total edges, average degree, average weighted degree, average path length,
density, network diameter dan number of community dan dilakukan penghitungan nilai centrality yang terdiri
dari degree centrality, closeness centrality, betweeness centrality dan eigenvector centrality untuk
mengidentifikais aktor yang berpengaruh atau memilki nilai interaksi yang tinggi di dalam jaringan.
Data yang digunakan dalam penelitian ini merupakan data sekunder yang berupa seluruh unggahan user di
dalam platform yang memuat konten penyebaran country branding dengan keyword dan atau hashtag
“Wonderful Indonesia“dan minimal memiliki satu interaksi dengan user lain seperti like, retweet dan
mention). Pengambilan data pada platform Google Plus dan Facebook diambil dengan menggunakan teknik
data scrapping [19] menggunakan scrapper extention pada peramban Google Chome. Kemudian untuk
pengambilan data pada platform twitter teknik yang digunakan adalah teknik data crawling [20]
menggunakan software R Studio dengan mengakses application programming interface (API). Data
penelitian dikumpulkan selama satu bulan penuh dari tanggal 1 sampai dengan 28 Februari 2017.
Tahapan penelitian yang dilakukan dalam penelitian ini melalui beberapa tahap seperti yang digambarkan
pada gambar 1. Tahapan penelitian yang dilakukan dalam penelitian ini dijelaskan sebagai berikut :
1) Identifikasi masalah : Tahap ini adalah tahap dimana dilakukan pengidentifikasian masalah
penelitian. Proses pengidentifikasian masalah dilakukan dengan melakukan pengamatan terhadap
fenomena-fenomena yang melatarbelakangi penelitian.
2) Known User : Tahap ini adalah tahap menentukan objek penelitian. Objek penelitian adalah interaksi
yang dilakukan oleh akun-akun pengguna situs jejaring sosial Google Plus, Twitter dan Facebook
yang berinteraksi dalam konteks penyebaran country branding dan infromasi pariwisata Indonesia
yang mengandung kata kunci “Wonderful Indonesia”.
3) Software Data Extraction : Dalam tahap ini dilakukan proses ekstraksi atau pengumpulan data
dengan menggunakan metode data scrapping dengan menggunakan extention “Scrapper” pada
peramban Google Chrome dan data crawling menggunakan bantuan software R Studio. Data yang
diambil adalah data unggahan pengguna yang mengandung kata kunci “Wonderful Indonesia” dan
minimal memiliki satu buah interaksi yang terjadi antar dua aktor di dalam jaringan.
Mahdi Shiddieqy Setatama et.al.
Implementasi Social Network Analysis dalam...
Identifikasi Masalah
Pengolahan data
Known Users :
User Google Plus, Twitter
dan Facebook yang
memposting kata kunci
“Wonderful Indonesia”
Measures Network
96
Degree Centrality
Pola Jaringan
Betweenness Centrality
Pengumpulan Data :
Software Data Extraction
Rekomendasi
Closeness Centrality
Aktor Berpengaruh
Eigenvector Centrality
Data Preparation
Rank
Gambar 1. Tahapan Penelitian
4) Pengolahan Data dan Measures Networks : Tahap ini merupakan tahap pengolahan data interaksi
jaringan. Pola interaksi divisualisasikan dengan menggunakan metode graph dengan tipe undirected.
Setelah visualisasi pola jaringan interaksi didapatkan selanjutkan dilakukan penghitungan nilai
atribut jaringan yang menghitung delapan atribut yakni total nodes, total edges, average degree,
average weighted degree, average path length, density, network diameter dan number of community
5) Penghitungan Nilai Centrality : Pada tahap ini dilakukan penghitungan nilai centrality (degree
centrality, closeness centrality, betweeness centrality dan eigenvector centrality) node atau aktor
untuk mengidentifikasi aktor berpengaruh dengan jumlah interaksi yang tinggi.
6) Rank : Tahap ini adalah tahap mengurutkan peringkat nilai centrality aktor-aktor di dalam jaringan
yang telah dihitung.
7) Penarikan kesimpulan : Dalam tahapan ini dilakukan penarikan kesimpulan dan rekomendasi yang
dapat diberikan kepada pemerintah dalam meningkatkan program penyebaran country branding
“Wonderful Indonesia” melalui situs jejaring sosial.
Pengolahan data dalam penelitian ini dilakukan dengan menggunakan software Gephi versi 0.9.1.
Software Gephi adalah sebuah aplikasi yang bersifat open source untuk melakukan eksplorasi dan manipulasi
jaringan. Sebuah modul jaringan yang akan dikembangkan dapat diolah dengan diimpor, divisualisasikan,
dipetakan, difilter, dimanipulasi dan diekspor di dalam software Gephi tersebut. [21] proses pengolahan data
pada software tersebut dilakukan dengan langkah-langkah sebagai berikut :
1) Mengimport data set jaringan yang telah dibuat sebelumnya dengan menggunakan bantuan
spreadsheet pada Microsoft Excel. Data set yang dapat digunakan hanya lah data set dengan ektensi
.csv berbasis text. Dataset dipisah menjadi dua bagian pertama import data set nodes dan tahap kedua
import data set edges. (Dataset nodes berisi daftar nama aktor yang terdapat di dalam jaringan, dan
dataset edges berisi data relasi atau interaksi yang terjadi antar nodes di dalam jaringan.
2) Memilih algoritma visualisasi yang akan digunakan. Algoritma ini berfungsi untuk menentukan tata
letak node-node yang akan divisualisasikan di dalam sociogram. Selain itu pemilihan algoritma
tersebut juga berpengaruh terhadap bentuk visualisasi jaringan yang akan dihasilkan. Dalam
penelitian ini algoritma yang digunakan adalah algortima Fruchterman Reingold [20].
Ind. Journal on Computing Vol. 2, Issue. 2, Sept 2017
97
3) Mengatur konfigurasi algoritma dengan mengubah kolom atribut seperti area, gravity dan speed
yang tersedia pada properties windows sesuai dengan konfigurasi yang diinginkan, kemudian klik
tombol run.
4) Mempersonalisasi jaringan yang telah divisualisasikan. Dalam proses ini akan dilakukan pengaturan
terhdaap tampilan warna, bentuk, pemberian label pada node-node di dalam jaringan dan juga dapat
dilakukan pengaturan tebal tipis sebuah garis edges antar node dan pemberian nama pada edges
tersebut.
5) Menghitung nilai property jaringan. Dalam penelitian ini dilakukan penghitungan terhadap nilai
atribut properti jaringan berupa nilai Total Node, Total Edges, Average Degree, Average Weighted
Degree, Network Diameter, dan Number of Communities. Seluruh atribut tersebut dapat dihitung
dengan meng-klik satu per satu tombol dalam kolom setting pada statistic windows.
6) Menampilkan ranking dari node-node yang memiliki pengaruh atau nilai interaksi yang paling tinggi
di dalam jaringan. Langkah ini dapat dilakukan dengan dua cara, pertama dengan melihat langsung
pada windows data table, dan yang kedua adalah dengan melakukan konfigurasi tampilan dengan
mengubah size node atau label node dalam gambar visualisasi jaringan sesuai dengan urutan nilai
yang dimiliki oleh node-node tersebut (semakin besar nilai yang dimiliki node maka semakin besar
pula tampilan node tersebut di dalam gambar visualisasi jaringan). Cara yang kedua dapat dilakukan
dengan mengubah konfigurasi pada appereance window.
7) Mengeksport gambar visualisasi tersebut dengan ekstensi file .pdf, .png dan .svg. Hasil penghitungan
data juga dapat dieksport dengan mengakses menu pada data table window hasil olah data akan
berupa file dengan format ekstensi .csv.
IV. HASIL DAN PEMBAHASAN
Penelitian dilakukan dengan memvisualisasikan data interaksi jaringan penyebaran informasi country
branding “Wonderful Indonesia” pada situs jejaring sosial Google Plus, Twitter dan Facebook dengan
menggunakan software Gephi versi 0.9.1. Data divisualisasikan ke dalam sociogram dimana titik pada
gambar disebut ’node’ atau simpul merepresentasikan seorang individu yang dihubungkan oleh garis yang
disebut ’vertex’. Dua node yang terhubung dinyatakan dengan adanya garis yang menghubungkan keduanya.
Semakin tebal garis maka semakin banyak jumlah interkasi yang terjadi antara dua node tersebut. Visualisasi
jaringan dilakukan dengan menggunakan algoritma Fruchterman Reingold [20] dengan area sebesar 20.000
untuk platform Google Plus, 30.000 untuk platform Twitter dan 50.000 untuk platform Facebook. Atribut
Gravity sebesar 10.0 dan atribut speed sebesar 50.0. Perbedaan warna dalam setiap sub jaringan menunjukan
modularity class atau sub komunitas yang terbentuk.
Visualisasi pada gambar 2, 3 dan 4 terbentuk dari 3.029 aktor dengan jumlah interaksi sebanyak 3.368
interaksi pada platform Google Plus. Kemudian pada platform Twitter sebanyak 9.641 aktor dengan 12.209
interaksi. Dan pada platform Facebook sebanyak 5.771 aktor dan 5.842 interaksi. Dari visualisasi jaringan
interaksi diatas diketahui bahwa terdapat persamaan pada ketiga pola interaksi jaringan penyebaran country
branding “Wonderful Indonesia” pada platform Google Plus, Twitter dan Facebook dimana ketiganya
memiliki pola interaksi yang belum sepenuhnya terhubung dan masih terpecah-pecah ke dalam sub-sub
jaringan (komunitas). Terdapat 37 komunitas di dalam jaringan interaksi platform jejaring sosial Google Plus,
272 komunitas pada platform jejaring sosial Twitter dan 54 komunitas pada platform jejaring sosial Facebook.
Sub-sub komunitas di dalam jaringan tersebut terbentuk dengan seorang aktor pusat yang menjadi sumber
interaksi di dalam sub komunitas. Aktor pusat dalam komunitas terbesar pada platform Google Plus adalah
akun Tri Rini Nuringtyas.
Mahdi Shiddieqy Setatama et.al.
Implementasi Social Network Analysis dalam...
98
Gambar 2. Visualisasi pola interaksi jaringan penyebaran country branding “Wonderful Indonesia” pada
platform jejaring sosial Google Plus
3.
Kemudian aktor pusat pada komunitas terbesar pada platform Twitter pada gambar 3 adalah akun
SportourismID dan aktor pusat pada komunitas terbesar pada platform Facebook pada gambar 4 adalah akun
PlaneTourIndonesia. Untuk menyatukan pola interaksi yang masih terpecah-pecah atau dengan kata lain
menyatukan berbagai macam komunitas yang terbentuk tersebut pemerintah dapat menggunakan akun resmi
yang secara langsung dikelola oleh pemerintah untuk melakukan interaksi pada unggahan-unggahan user
yang menjadi pusat interaksi komunitas. Hal tersebut bertujuan untuk memudahkan pihak pemerintah dalam
mengumpulkan, memantau dan melakukan kontrol terhadap aktifitas interaksi user pada unggahan yang
memuat penyebaran country branding “Wonderful Indonesia”. Pengidentifikasian aktor pusat tersebut dapat
berguna untuk mengetahui secara real aktor-aktor mana yang dapat dimanfaatkan sebagai agen penyalur
informasi bagi pihak Kementerian Pariwisata dalam menyebarkan informasi terkait branding “Wonderful
Indonesia” dan promosi kepariwisataan lainnya yang dilakukan.
Ind. Journal on Computing Vol. 2, Issue. 2, Sept 2017
99
Gambar 3. Visualisasi pola interaksi jaringan penyebaran country branding “Wonderful Indonesia” pada
platform jejaring sosial Twitter
Mahdi Shiddieqy Setatama et.al.
Implementasi Social Network Analysis dalam...
100
Gambar 3. Visualisasi pola interaksi jaringan penyebaran country branding “Wonderful Indonesia” pada
platform jejaring sosial Facebook
Dengan menggunakan software Gephi versi 0.9.1 dilakukan pengukuran nilai atribut jaringan dimana
diperoleh hasil pada tabel II. Pada tabel II, dapat diketahui bahwa dari delapan atribut yang dibandingkan
Twitter unggul dalam enam atribut jaringan yakni jumlah node, jumlah edges, average degree, average
weighted degree, network diameter dan number of communities, sedangkan Google Plus unggul pada atribut
density dan Facebook unggul dalam atribut average path length. Sehingga dapat dikatakan platform Twitter
memiliki performa penyebaran informasi country branding “Wonderful Indonesia” yang paling baik dengan
jumlah interaksi penyebaran informasi yang jauh lebih banyak jika dibandingkan dengan platform Google
Plus dan Facebook. Pemerintah dapat menggunakan platform Twitter untuk meningkatkan jumlah interaksi
penyebaran informasi country branding “Wonderful Indonesia” dengan lebih cepat.
Ind. Journal on Computing Vol. 2, Issue. 2, Sept 2017
101
TABLE II
PERBANDNGAN NILAI ATRIBUT JARINGAN
Atribut Jaringan
Total Node
Total Edges
Average Degree
Average Weighted Degree
Network Diameter
Average Path Length
Density
Number of Communities
Google Plus
3.024 node
3.368 edges
2,019
2,221
7
2,188 node
0,00118
37
9.641 node
12.209 edges
2,065
2,533
14
5,352 node
0,000328
272
5.771 node
5.842 edges
1,990
2,025
6
2,141 node
0,000684
54
Kementerian Pariwisata juga dapat meningkatkan upaya penyebaran informasi coutry branding pada
platform jejaring sosial yang dinilai masih memiliki performa yang kurang dengan memberdayakan aktoraktor yang berpengaruh di dalam jaringan interaksi yang terbentuk. Pengidentifikasian aktor-aktor
berpengaruh tersebut dilakukan dengan menghitung nilai centrality dari node-node yang ada di dalam
jaringan interaksi.
TABLE III
NILAI CENTRALITY AKTOR BERPENGARUH PADA JARINGAN INTERAKSI PLATFORM GOOGLE PLUS
Node
tririninuringtyas
Indonesia.Travel
AnaAbadS
SeanMichaelJones
Suzanne
AlexAvedessian
KAI121
Degree
Centrality
Score / (Rank)
950 / (1)
801 / (2)
393 / (3)
356 / (4)
112 / (5)
86 / (6)
61 / (7)
Betweenees
Centrality
Score / (Rank)
448878 / (1)
428445,5 / (2)
77028 / (3)
63190 / (4)
46184,8 / (18)
25532,7 / (10)
24408 / (5)
Closeness
Centrality
Score
1.0
1.0
1.0
1.0
1.0
1.0
1.0
Eigenvector
Centrality
Score / (Rank)
1 / (1)
0,7 / (2)
0,2 / (3)
0,2 / (4)
0,05 / (5)
0,04 / (8)
0,03 / (960)
Hasil hitung nilai degree centrality, betweeness centrality, closeness centrality dan eigenvector centrality
pada software Gephi 0.9.1 maka diketahui bahwa pada platform Google Plus aktor Tri Rini Nuringtyas
unggul pada seluruh nilai centrality tersebut, sehingga dapat dikatakan bahwa aktor Tri Rini Nuringtyas
merupakan aktor yang paling berpengaruh dalam jaringan interaksi Google Plus. Pihak Kementerian
Pariwisata dapat memberdayakan aktor Tri Rini Nuringtyas tersebut sebagai aktor utama dalam penyebaran
country branding “Wonderful Indonesia” pada platform Google Plus.
Tidak hanya Tri Rini Nuringtyas saja, akun resmi milik Kementerian Pariwisata yaitu akun
Indonesia.Travel juga sudah memiliki peran dan pengaruh yang cukup baik dalam interaksi jejaring sosial,
namun pihak Kementerian Pariwisata dapat lebih meningkatkan penyebaran country branding “Wonderful
Indonesia” dengan memberdayakan akun-akun pendukung seperti akun Ana Abad S, Sean Michael Jones,
KAI121, Suzanne dan AlexAvedessian sebagai aktor-aktor penyebar country branding “Wonderful
Indonesia” karena akun-akun tersebut memiliki posisi sentral dan perbengaruh pada interaksi jaringan sosial
pada platform Google Plus.
Satu keunggulan pada jaringan interaksi pada platform Google Plus adalah terdapat node-node atau aktor
yang berpengaruh dimana akun tersebut bukan merupakan akun warga negara Indonesia melainkan akun
warga negara asing sehingga jika hal tesebut dapat dimanfaatkan dengan baik maka akun-akun tersebut dapat
menyebarkan country branding “Wonderful Indonesia” dengan cakupan geografis yang lebih luas.
Mahdi Shiddieqy Setatama et.al.
Implementasi Social Network Analysis dalam...
102
TABLE IV
NILAI CENTRALITY AKTOR BERPENGARUH PADA JARINGAN INTERAKSI PLATFORM TWITTER
Node
SportourismID
indtravel
supermorgy
KAI121
imFred_
Kemenpar_RI
infolampungpro
Degree
Centrality
Score / (Rank)
1617 / (1)
1293 / (2)
1094 / (3)
886 / (4)
587 / (3)
375 / (2)
355 / (1)
Betweenees
Centrality
Score / (Rank)
11.578.217,5 / (1)
10.882.508,6 / (3)
8.262.884 / (5)
10.984.551,9 / (2)
4.501.359,0 / (10)
4.948.250 / (7)
62835.0 / (151)
Closeness
Centrality
Score
0.19510
0.27678
0.19534
0.29868
0.18781
0.23721
1.0
Eigenvector
Centrality
Score / (Rank)
1 / (1)
0,696195 / (2)
0,525143 / (3)
0,399715 / (4)
0,212141 / (5)
0,135885 / (6)
0,110504 / (7)
Untuk platform Twitter berdasarkan pada hasil hitung software Gephi 0.9.1 terhadap nilai degree
centrality, betweeness centrality, closeness centrality dan eigenvector centrality maka diketahui bahwa aktor
yang berpengaruh terhadap interaksi jejaring sosial adalah aktor SportourismID yang unggul pada nilai degree
centrality, betweeness centrality, dan eigenvector centrality serta aktor infolampungpro yang unggul pada
nilai closeness centrality. Akun SportourismID menjadi aktor paling berpengaruh dari total jumlah interaksi
yang dihasilkan, kemudian akun tersebut menjadi penghubung atau jembatan bagi interaksi aktor lain di
dalam jaringan dan unggul dalam hubungannya terhadap aktor berpengaruh lain di dalam jaringan. Akun
infolampungpro unggul dalam kedekatan dengan aktor lain yang ada disekitarnya, sehingga membuat aktor
tersebut dapat menyampaikan informasi kepada aktor lainnya dengan cepat. Aktor-aktor pendukung lain yang
juga memiliki pengaruh yang cukup besar di dalam interaksi jejaring sosial Twitter adalah akun indtravel,
supermorgy, KAI121, imFred_, Kemenpar_RI.
TABLE V
NILAI CENTRALITY AKTOR BERPENGARUH PADA JARINGAN INTERAKSI PLATFORM FACEBOOK
Node
PlanetTourIndonesia
ashleyyeeee
indonesiatravel
imranidris1
pendakicantikindonesia
Wonderful-Indonesia226249690852624
julius.mirah.3
Degree
Centrality
Score / (Rank)
3201 / (1)
615 / (2)
264 / (3)
240 / (4)
129 / (5)
Betweenees
Centrality
Score / (Rank)
5121600 / (1)
447299 / (2)
339662 / (3)
28680 / (8)
8001 / (11)
Closeness
Centrality
Score
1.0
1.0
1.0
1.0
1.0
Eigenvector
Centrality
Score / (Rank)
1.0 / (1)
0.11343 / (2)
0.04468 / (3)
0.04032 / (4)
0.02136 / (5)
106 / (6)
103215 / (5)
0,245207
0.01721 / (6)
76 / (7)
2850 / (12)
1.0
0,012237 /
(3708)
Untuk platform Facebook berdasarkan pada hasil penghitungan diketahui bahwa aktor yang berpengaruh
terhadap interaksi jejaring sosial adalah aktor PlanetTourIndonesia yang unggul pada nilai degree centrality,
betweeness centrality, dan eigenvector centrality. Akun PlanetTourIndonesia menjadi aktor paling
berpengaruh dalam interaksi jaringan sosial Facebook dari total jumlah interaksi yang dihasilkan, kemudian
menjadi penghubung atau jembatan bagi interaksi aktor lain di dalam jaringan, memiliki kedekatan dengan
aktor lain yang ada disekitarnya sehingga membuat penyampaian informasi lebih cepat dan unggul dalam
hubungan-nya terhadap aktor berpengaruh lain di dalam jaringan. Aktor-aktor pendukung lain yang juga
memiliki pengaruh yang cukup besar dalam interaksi jejaring sosial Facebook adalah akun ashleyyeeee,
indonesiatravel, imranidris1, pendakicantikindonesia, Wonderful-Indonesia-226249690852624 dan
Julius.mirah.3.
Ind. Journal on Computing Vol. 2, Issue. 2, Sept 2017
103
Hasil identifikasi akun-akun berpengaruh di dalam penelitian dapat digunakan oleh pemerintah untuk
meningkatkan jumlah interaksi penyebaran informasi pada platform Google Plus dan Facebook. Pemerintah
dapat memberdayakan akun-akun yang berpengaruh (akun-akun yang memiliki interaksi dengan akun lain
yang tinggi) dimana pemberdayaan dapat dilakukan dengan cara :
a. Menjalin kerjasama resmi dengan membuat perjanjian bersama para pemilik akun-akun yang
berpengaruh yang menjadikan mereka sebagai agen atau mitra dalam menyebarkan informasi
kepariwisataan khususnya penyebaran country branding “Wonderful Indonesia”.
b. Pemerintah dapat mengatur jumlah unggahan yang akan dibuat oleh akun-akun tersebut. Kemudian
pemerintah dapat mengatur waktu atau jadwal terbaik dalam membuat unggahan yang disesuaikan
dengan timeline yang sudah dibuat atau ditargetkan oleh pemerintah.
c. Pemerintah dapat mengatur isi atau konten unggahan akun-akun yang berpengaruh tersebut sesuai
dengan keyword yang sedang difokuskan dan menjadi prioritas dalam kegiatan promosi pemasaran.
d. Kedua poin sebelumnya dapat dilakukan sebagai upaya untuk memaksimalkan seacrh engine
optimalization dengan memaksimalkan jumlah unggahan dan waktu pengunggahan yang konstan
sehingga unggahan-unggahan tersebut dapat menjadi referensi bagi search engine untuk menampilkan
“Wonderful Indonesia” sebagai top search dalam pencarian yang dilakukan oleh calon wisatawan.
e. Perberdayaan terhadap akun-akun yang memiliki jumlah interaksi tinggi yang baik juga dapat menjadi
langkah awal bagi pemerintah untuk dapat membuat “Wonderful Indonesia” sebagai trending topic
dunia dan dapat menciptakan virality yang kemudian akan menjadi sukses paling tinggi dalam promosi
digital karena interaksi yang terbentuk akan secara alami bertambah berkali-kali lipat dan dimuat
dalam berbagai jenis media.
V. KESIMPULAN
Dari pembahasan hasil penelitian yang telah dilakukan, guna menjawab pertanyaan penelitian yang telah
dirumuskan diawal maka dapat disimpulkan beberapa simpulan penelitian sebagai berikut :
1) Pola interaksi penyebaran country branding “Wonderful Indonesia” pada ketiga platform Google Plus,
Twitter dan Facebook menunjukan pola interaksi yang belum sepenuhnya terhubung dan masih
terpecah-pecah ke dalam sub-sub jaringan (komunitas). Terdapat 37 komunitas di dalam jaringan
interaksi Google Plus, 272 komunitas pada platform jejaring sosial Google Plus dan 54 komunitas pada
platform jejaring sosial Facebook. Untuk menyatukan berbagai macam komunitas yang terbentuk
tersebut pemerintah dapat menggunakan akun resmi yang secara langsung dikelola oleh pemerintah
untuk melakukan interaksi pada unggahan-unggahan user yang menjadi pusat interaksi komunitas. Hal
tersebut bertujuan untuk memudahkan pihak pemerintah dalam mengumpulkan, memantau dan
melakukan kontrol terhadap aktifitas interaksi user pada unggahan yang memuat penyebaran country
branding “Wonderful Indonesia”.
2) Hasil perbandingan nilai properti jaringan menunjukan dari delapan atribut yang dibandingkan,
jaringan interaksi pada platform Twitter unggul dalam enam atribut yakni jumlah node, jumlah edges,
average degree, average weighted degree, network diameter dan number of communities, sedangkan
jaringan interaksi Google Plus unggul pada atribut density dan jaringan interaksi Facebook unggul
dalam atribut average path length. Dengan ini maka jaringan interaksi penyebaran pada platform
Twitter dinilai memiliki performa penyebaran informasi yang paling baik dengan jumlah interaksi
penyebaran informasi yang jauh lebih banyak jika dibandingkan dengan jaringan interaksi pada
Google Plus dan Facebook. Dengan ini maka pemerintah dapat menggunakan platform Twitter untuk
meningkatkan jumlah interaksi penyebaran informasi country branding “Wonderful Indonesia” dengan
lebih cepat. Adapun upaya perbaikan yang dapat dilakukan oleh pemerintah untuk manambah jumlah
interaksi penyebaran informasi pada platform Google Plus dan Facebook adalah, pemerintah dapat
memberdayakan akun-akun yang berpengaruh di dalam jaringan Google Plus dan Facebook untuk
lebih banyak membuat unggahan yang memuat konten penyebaran informasi country branding
“Wonderful Indonesia” sehinga jumlah interaksi penyebaran pada platform Google Plus dan Facebook
pun dapat bertambah.
3) Berdasarkan pada hasil hitung nilai degree centrality, betweeness centrality, closeness centrality dan
eigenvector centrality yang dilakukan, maka akun Tri Rini Nuringtyas pada platform Google Plus,
akun SportourismID platform Twitter dan akun PlanetTourIndonesia pada platform Facebook
Mahdi Shiddieqy Setatama et.al.
Implementasi Social Network Analysis dalam...
104
merupakan akun-akun yang paling berpengaruh terhadap berjalannya interaksi dalam jaringan interaksi
penyebaran country branding “Wonderful Indonesia”. Pihak Kementerian Pariwisata dapat
memberdayakan akun-akun tersebut untuk meningkatkan penyebaran country branding “Wonderful
Indonesia” dengan lebih maksimal. Pemberdayaan dapat dilakukan dengan menjadikan akun-akun
tersebut sebagai agen atau mitra penyebaran promosi country branding “Wonderful Indonesia”.
Pemerintah dapat menentukan seberapa banyak unggahan yang perlu diunggah oleh akun tersebut
untuk menciptakan interaksi di dalam jaringan, kemudian pemerintah dapat menentukan pemuatan
keyword apa saja di dalam unggahan yang dibuat untuk mengoptimalkan pengkomunikasian sebuah
informasi seperti sebuah nama destinasi, city brand, program promosi dan informasi-informasi
kepariwisataan lain yang sedang menjadi fokus atau prioritas pemerintah.
REFERENSI
[1] Bungin, Burhan. (2015). Komunikasi Pariwisata : Tourism Communication. Jakarta : Prenadamedia Group
[2] Kemenpar. (2017, April 17). Indonesia Sustainable Tourism Award (ISTA) - 2017. Retrieved April 2017, 18, from Website
Kementerian Pariwisata Republik Indonesia: http://kemenpar.go.id/asp/detil.asp?c=17&id=3574
[3] PDB Pariwisata 7 Negara di ASEAN Lebih Unggul Dibanding Indonesia. (2016, Oktober 5). Retrieved Maret 16, 2017, from
Databoks:
http://databoks.katadata.co.id/datapublish/2016/10/05/sumbangan-pariwisata-terhadap-pdb-indonesia-kalahdibanding-7-negara-asean-lainnya
[4] World Economic Forum. (2017, April 6). Travel & Tourism Competitiveness Report 2017, Ranking. Retrieved Agustus 1,
2017, from World Economic Forum: http://reports.weforum.org/travel-and-tourism-competitiveness-report-2017/ranking/
[5] Databoks. (Rabu, 23 November 2016). Indonesia, Posisi ke-4 Destinasi Pariwisata di Asia Tenggara. Retrieved Retrieved
March 12, 2017 from Databoks : http://databoks.katadata.co.id/datapublish/2016/11/23/indonesia-posisi-4-destinasipariwisata-asean
[6] Indonesia Investments. (2016, December 16). Industri Pariwisata Indonesia. Retrieved March 17, 2017, from
http://www.indonesia-investments.com/id/bisnis/industri-sektor/pariwisata/item6051
[7] Kemenpar. (2015, Desember 17). Rencana Strategis 2015 - 2019 Kementerian Pariwisata. Retrieved Retrieved March 17,
2017 from Website Kementerian Pariwisata Republik Indonesia: http://kemenpar.go.id/asp/detil.asp?c=14&id=3545
[8] Balea, J. (Ed.). (2016, January 28). Tech in Asia - Connecting Asia's startup ecosystem. Retrieved March 12, 2017, from
https://www.techinasia.com/indonesia-web-mobile-statistics-we-are-social
[9] Alamsyah, A., Putri, F., & Sharif, O. O. (2013). Social Network Modelling Approach for Brand Awareness. The 5th Indonesian
International Conference on Innovation, Entrepreneurship, and Small Business, 2-8.
[10] Cheliotis, D. G. (2010). Social Network Analysis (SNA). Singapore: National University of Singapore.
[11] Kotler, Philip dan Kevin Lane Keller. (2013). Marketing Management. Pearson Education Limited.
[12] Kotler, Phillip dan Armstrong, Gary. (2003). Prinsip-Prinsip Pemasaran edisi 12 Jilid 2. Jakarta : erlangga.
[13] Shimp, A. Terrance. (2003). Periklanan Promosi dan Aspek Tambahan Komunikasi Pemasaran Terpadu, Edisi ke-5 Jilid 1.
Jakarta : Erlangga.
[14] O'Guinn Thomas Clayton, (2015). Advertising & Integerated Brand Promotion. Stamford : Cengange Learning.
[15] Belch, George E. Dan Michael A. Belch.(2009).”Advertising and Promotion : An Integerated Marketing Communications
Perspective”.New York : McGraw-Hill/Irwin.
[16] Tsvetovat, M., & Kouznetsov, A. (2011). Social Network Analysis for Startup. California: O'Reilly Media.
[17] Bohn, A., Feinerer, I., Hornik, K., dan Mair, P. (2011). Content-Based Social Network Analysis of Mailing Lists. The R
Journal, 11-18.
[18] The Computer Advisor. Web site scraper the most effective tool for web data extraction, Retrieved October 28, 2017 from
:http://www.thecomputeradvisor.net/web-site-scraper-the-most-effective-tool-for-web-data-extraction/
[19] Chau, D. H., Pandit, S., Wang, S., & Faloutsos, C. (2007, May). Parallel crawling for online social networks. In Proceedings
of the 16th international conference on World Wide Web (pp. 1283-1284). ACM
[20] Fruchterman, T. M., & Reingold, E. M. (1991). Graph drawing by forceǦdirected placement. Software: Practice and
experience, 21(11), 1129-1164.[21] Bastian, M., Heymann, S., & Jacomy, M. (2009). Gephi: An Open Source Software for
Exploring and Manipulating Networks. Proceedings of the Third International ICWSM Conference (pp. 1-2). ICWSM
Conference.